Bonferroni 조정 사용 방법 및시기

Bonferroni 조정 사용시기에 관한 두 가지 질문이 있습니다.

• 여러 번의 모든 테스트에서 Bonferroni 조정을 사용하는 것이 적절합니까?
• 데이터 세트에 대한 테스트를 수행하는 경우 해당 데이터 세트를 더 세밀한 수준으로 분할하고 (예 : 성별로 데이터를 분할) 동일한 테스트를 수행하는 경우 인식되는 개별 테스트 수에 어떤 영향을 줄 수 있습니까? 즉, 남성과 여성의 데이터가 포함 된 데이터 집합에서 X 가설을 테스트 한 다음 데이터 집합을 분리하여 남성과 여성 데이터를 별도로 제공하고 동일한 가설을 테스트하면 개별 가설의 수가 X로 유지되거나 추가 테스트?

귀하의 의견에 감사드립니다.

Bonferroni 조정은 항상 가족 별 오류율을 강력하게 제어합니다. 즉, 테스트의 성격과 수 또는 테스트 간의 관계에 관계없이 가정이 충족되면 모든 테스트 중 하나의 잘못된 중대한 결과가 발생할 가능성이 원래의 오류 인 임을 의미 합니다. 수평. 따라서 항상 사용할 수 있습니다 .$\alpha$

그것을 사용 하는 것이 적절한 지 (다른 방법과 달리 또는 전혀 조정되지 않는지 여부)는 목표, 규율 표준 및 특정 상황에 대한 더 나은 방법의 가용성에 달려 있습니다. 최소한 Holm-Bonferroni 방법을 고려해야합니다. 이는 일반적이지만 덜 보수적 인 방법입니다.

예를 들어, 몇 가지 테스트를 수행하기 때문에 가족 별 오류율 (적어도 하나의 귀무 가설을 잘못 기각 할 확률) 이 증가하고 있습니다. 반마다 하나의 테스트 만 수행하는 경우 Hommel의 방법 또는 잘못된 발견 비율을 제어하는 ​​방법 (가족 별 오류율과는 다른 방법)을 포함하여 많은 조정이 가능합니다. 전체 데이터 세트에 대해 여러 하위 테스트를 수행 한 테스트는 더 이상 독립적이지 않으므로 일부 방법이 더 이상 적합하지 않습니다. 앞에서 말했듯이 Bonferroni는 항상 사용 가능하며 광고 된대로 작동합니다 (그러나 매우 보수적 임).

전체 문제를 무시해도됩니다. 공식적으로, 가족 별 오류율은 더 높지만 두 번의 테스트만으로도 그렇게 나쁘지는 않습니다. 또한 전체 데이터 세트에 대한 테스트를 시작하여 주 결과로 처리 한 다음 다른 그룹에 대한 하위 테스트를 수행 할 수 있습니다.이 그룹은 보조 결과 또는 부수 가설로 이해되므로 수정되지 않습니다.

이러한 방식으로 많은 인구 통계 학적 변수를 고려하는 경우 (가동 또는보다 체계적인 모델링 방식과의 성별 차이를 테스트하려는 계획이 아니라)“데이터 준설”(한 가지 차이점)로 인해 심각한 문제가 발생합니다. 실제로는 아무 일도 일어나지 않았지만 부팅 할 인구 통계 학적 변수에 대한 멋진 이야기로 결정적이지 않은 실험을 구출 할 수있게되었으므로 여러 테스트에 대한 조정 형식을 반드시 고려해야합니다. 이 논리는 X 개의 다른 가설과 동일하게 유지됩니다 (데이터 세트의 각 절반에 하나씩 X 가설을 두 번 테스트 함)는 한 번만 X 가설을 테스트하는 것보다 더 높은 가족 별 오류율을 나타내므로 아마도 그에 맞게 조정해야합니다.

나는 같은 문제를보고 있었고 책에서 텍스트를 발견했다.

관련 장의 사본은 여기에서 무료로 제공됩니다.

http://www.utdallas.edu/~herve/Abdi-Bonferroni2007-pretty.pdf

$α[PT]= 1-(1-0.05)^(1/10) = 0.0051$

공평하게, 나는 현재의 연구 프로젝트를 위해 많은 다른 경제 / 생태학 기사를 살펴 보았고 제한된 경험에서 2-5 테스트를 비교할 때 그러한 수정을 적용하는 많은 기사를 보지 못했습니다.

이분산성 의료 데이터가 동종 이식 생물학적 데이터와 달리 실험적이지 않다는 점에서 의료 데이터와 과학 데이터는 양립 할 수없이 다르다는 것을 기억해야합니다. 또한 전력 테스트 및 Bonferroni 유형 수정의 역할에 대한 많은 논의는 알 수없는 대체 분포의 특성에 대한 추측 만 포함한다는 점을 상기하십시오. 전력 계산에서 베타 설정은 임의의 절차입니다. 의학 통계 학자 중 누구도 이것을 광고하지 않습니다. 둘째, (내부) 데이터 샘플의 자기 상관이있는 경우 중앙 한계 정리가 위반되고 정규 기반 가우스 테스트가 유효하지 않습니다. 제삼, 정규 분포는 많은 의학적 현상이 유한 수단 및 / 또는 유한 분산 (Cauchy-type distribution)을 갖지 않으며 프랙탈 내성 통계 분석이 필요하지 않은 프랙탈 기반 분포라는 의미에서 낡아지고 있음을 상기하십시오. 초기 분석 중에 찾은 것에 따라 사후 분석을 수행하는 것은 부적절합니다. 마지막으로, 개체 간 bijectivity가 반드시 유효한 것은 아니며 Bonferroni 보정 조건은 선행 실험 설계 중에 만 유일하게 다루어야하는 중요한 요소입니다. 나이젤 T. 제임스. MB BChir, (영국 의료 학위), MSc (응용 통계에서). 대상 간 bijectivity가 반드시 유효한 것은 아니며 Bonferroni 보정 조건은 선행 실험 설계에서만 유일하게 강조해야 할 중요한 요소입니다. 나이젤 T. 제임스. MB BChir, (영국 의료 학위), MSc (응용 통계에서). 대상 간 bijectivity가 반드시 유효한 것은 아니며 Bonferroni 보정 조건은 선행 실험 설계 중에 만 유일하게 다루어야하는 중요한 요소입니다. 나이젤 T. 제임스. MB BChir, (영국 의료 학위), MSc (응용 통계에서).